超声相控阵检测具有使用安全、波束灵活等优点,因此在无损检测领域得到了广泛的应用。随着超声相控阵检测中,被测工件复杂度与体积的增加,以及全寿命周期检测中需要存储工件从开始使用到寿命结束的所有检测数据,因此产生了检测数据量大的问题,并且增加了缺陷特征提取难度。针对上述问题,对超声相控阵信号特征提取与数据压缩两个问题进行研究。在超声相控阵特征提取方面,提出了超声相控阵缺陷信号稀疏特征提取方法。首先根据超声回波特点构造了Gabor、预定义和K-SVD三种字典,并比较了三种贪婪算法的重构误差;其次根据不同的字典提取不同的稀疏特征,以BP神经网络作为分类器实现缺陷识别。在超声相控阵信号数据压缩方面,提出了基于最优型测量矩阵压缩感知的超声相控阵信号压缩方法。通过优化相关性和列独立性构造最优型测量矩阵,并改进了传统的A扫信号压缩感知方法,采用单阵元信号压缩感知,通过波束形成得到压缩后的A扫信号。采用碳纤维复合材料试块的超声相控阵检测信号对课题方法进行实例实验研究。在超声相控阵特征提取方面,实验结果显示,不同类型稀疏特征可以准确地获得缺陷位置、类型等信息;在BP神经网络下,稀疏特征相较于传统的时域特征和小波特征,具有令人满意的识别与抗噪声效果。在超声相控阵信号压缩方面,实验结果显示,相较于传统四种测量矩阵,最优型测量矩阵具有更理想的重构效果;在60%压缩率下,单阵元压缩感知信号波束合成的A扫重构误差仅为2.978%,B扫图像,峰值信噪比为43.1093。在同样的压缩率下,改进后的方法具有更好的重构效果。